Additívny MLP-GNN model rozdeľuje, čo pri rozpustnosti látok vysvetľuje chémia a čo štruktúra

Predikcia rozpustnosti vo vode je v ranom vývoji liekov praktická, no vedecky nepríjemná úloha. Molekula môže vyzerať sľubne podľa aktivity voči cieľu, ale ak sa zle rozpúšťa, jej ďalší vývoj sa komplikuje. Mnohé modely preto kombinujú fyzikálno-chemické deskriptory s informáciou o molekulovej štruktúre. Problém je, že po zlúčení do jednej reprezentácie býva ťažké povedať, či model predikciu opiera o globálne chemické vlastnosti, alebo o konkrétne štruktúrne vzory v molekule.

Preprint z arXivu navrhuje additívny rámec, ktorý tieto dva zdroje informácií drží oddelene. Chemickú vetvu tvorí viacvrstvový perceptrón pracujúci s fyzikálno-chemickými deskriptormi, štruktúrnu vetvu grafová neurónová sieť nad molekulovým grafom. Ich výstupy sa spájajú až na úrovni finálnej predikcie, pričom model môže pridať aj voliteľnú multiplikatívnu interakciu. Cieľom nie je iba dosiahnuť dobrú presnosť, ale rozložiť predikciu na zrozumiteľnejšie komponenty.

Takéto rozdelenie je dôležité pre chemikov aj pre tímy, ktoré model nasadzujú do rozhodovania. Ak systém iba povie, že látka bude málo rozpustná, je to užitočné, ale obmedzené. Ak navyše ukáže, či problém vyplýva najmä z globálnych deskriptorov alebo zo štruktúrnych motívov, môže to pomôcť pri úprave molekuly. V liekovom vývoji má interpretácia priamu ekonomickú hodnotu, pretože usmerňuje, ktoré zmeny majú zmysel syntetizovať a testovať.

Autori uvádzajú, že predtrénovanie na väčšom datasete AqSolDB a následné doladenie na menšom BigSolDB2 zlepšuje presnosť aj znižuje variabilitu medzi behmi. To je pre chemické modely podstatné, pretože dostupné datasety sa často líšia kvalitou meraní, rozsahom látok a experimentálnymi podmienkami. Model, ktorý je dobrý len na jednom datasete, má v praxi malú hodnotu. Prenos naučených čŕt z dátovo bohatšieho prostredia do menšieho a špecializovanejšieho súboru je preto silný signál.

Rámec sa nespolieha iba na numerickú metriku výkonu. Podľa abstraktu autori interpretujú naučený model cez lineárne projekcie výstupov jednotlivých vetiev, súhrny embeddingov na úrovni molekúl naprieč triedami rozpustnosti a masky GNNExplainer agregované cez funkčné skupiny. Inými slovami, snažia sa ukázať, čo sa model naučil v chemickej vetve a čo v grafovej vetve. Chemická vetva má zodpovedať známym fyzikálno-chemickým deskriptorom, kým štruktúrna vetva zachytáva grafové a funkčno-skupinové vzory.

Pre širší AI kontext je práca zaujímavá tým, že ide proti čistej logike „všetko zlepiť do jedného embeddingu“. Pri mnohých multimodálnych alebo vedeckých úlohách je lákavé nechať model, nech si interné váhy nájdu správnu kombináciu zdrojov. To môže fungovať na leaderboarde, no komplikuje dôveru, audit aj vedecké použitie. Additívna architektúra je kompromis: zachováva schopnosť učiť sa nelineárne vzory, ale núti model udržať oddelené kanály informácie.

Samozrejme, interpretovateľnosť tu neznamená úplnú kauzalitu. Ak model priradí časť predikcie chemickej vetve, ešte to neznamená, že daný deskriptor je skutočnou príčinou rozpustnosti v experimentálnom zmysle. Grafové explanačné masky tiež treba brať ako pomôcku, nie ako definitívny chemický dôkaz. Napriek tomu je takáto štruktúra lepšia než čierna skrinka, ktorá dáva jednu hodnotu bez možnosti rozlíšiť príspevky.

Praktický dopad môže byť najväčší v situáciách, kde výskumníci potrebujú rozhodnúť medzi variantmi jednej chemickej série. Ak model vie ukázať, že problém je viac v štruktúrnom motíve než v globálnej vlastnosti, môže nasmerovať návrh analógov inak, než keby hlavným problémom bola napríklad lipofilita alebo iný deskriptor. Takéto signály môžu urýchliť iterácie, ale nemali by nahradiť experimentálne meranie.

Pre AI vývojárov je ponaučenie širšie: vo vedeckých modeloch často nestačí najlepšia priemerná presnosť. Rovnako dôležité je, či architektúra rešpektuje doménové rozdelenia, s ktorými pracujú odborníci. Additívny MLP-GNN prístup ukazuje, že aj relatívne priamočiara zmena návrhu modelu môže zvýšiť čitateľnosť výsledkov bez toho, aby sa tím vzdal konkurencieschopného výkonu. To je presne typ AI, ktorý má šancu byť užitočný vo výskumnom laboratóriu, nielen v tabuľke benchmarkov.